基于協(xié)同進化和譜聚類的大規(guī)模數(shù)據(jù)集快速聚類方法研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展和各種傳感器的應(yīng)用，數(shù)據(jù)的獲取變得越來越容易，人類獲取的數(shù)據(jù)的數(shù)目也呈幾何型增長。這帶來了一個嶄新的時代——大數(shù)據(jù)時代。數(shù)據(jù)量的增加，使得數(shù)據(jù)挖掘技術(shù)變得越來越重要。針對數(shù)據(jù)挖掘領(lǐng)域的重要手段之一的聚類算法，本文針對其存在準(zhǔn)確率低和效率低下等問題，提出了三種快速聚類方法，分別如下：
　　1.介紹了一種基于免疫協(xié)同進化的聚類算法。這種算法在種群內(nèi)部通過克隆選擇的方法，選擇出適應(yīng)度較高的個體重新構(gòu)成種群，即種群內(nèi)部的競

2、爭，完成種群內(nèi)部的進化。隨后在種群之間進行協(xié)同進化操作，實現(xiàn)信息在種群之間的交換，也更符合生物進化的過程。最后，通過與全局最優(yōu)個體組進行比對，即所謂精英保留策略，選出具有最高的適應(yīng)度的個體，作為聚類的結(jié)果。通過將本文算法在八組 UCI數(shù)據(jù)和八組人工數(shù)據(jù)集上與其它類似聚類算法進行對比，試驗結(jié)果表明，本文提出的算法無論是在 UCI數(shù)據(jù)還是人工數(shù)據(jù)集上，聚類效果好于其它的聚類算法。
　　2.介紹了一種基于稀疏近鄰傳播抽樣的快速克隆選擇聚

3、類算法。首先找出所有數(shù)據(jù)的近鄰數(shù)據(jù)點，從而構(gòu)造出一個稀疏的相似度矩陣。其次，將稀疏的相似度矩陣作為近鄰傳播聚類算法的輸入，找出能夠代表其它數(shù)據(jù)的代表點。然后，將這些代表點作為克隆選擇聚類算法的輸入數(shù)據(jù)，從而將這些代表點分類。最后，將非代表點的數(shù)據(jù)點劃歸為其代表點所在的類，使得其它數(shù)據(jù)也映射到類中，完成整個聚類過程。在三組 UCI數(shù)據(jù)集和五組人工數(shù)據(jù)集上的實驗結(jié)果表明，相比于對比算法克隆選擇聚類算法，本文提出的算法均比對比算法運行時間短，

4、且在兩組UCI數(shù)據(jù)集和三組人工數(shù)據(jù)集上的平均聚類準(zhǔn)確率高于對比算法。
　　3.介紹了一種基于稀疏近鄰傳播的快速譜聚類算法。首先通過構(gòu)造數(shù)據(jù)稀疏圖，從而簡化了一般譜聚類算法構(gòu)造的稠密相似度矩陣，使其變?yōu)橐粋€稀疏的相似度矩陣。接著，采用近鄰傳播算法選擇出具有代表性的數(shù)據(jù)點。這樣輸入的是一個稀疏的相似度矩陣，所以近鄰傳播算法的時間復(fù)雜度大大降低。最后，對于這些代表點，采用LSC的方法，找到所有數(shù)據(jù)點所屬的類別。實驗結(jié)果表明，在解決大規(guī)模